آموزش OpenAI: مهندسی پرامپت برای بهبود عملکرد - آخرین آپدیت

دانلود OpenAI: Prompt Engineering for Improved Performance

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: توسعه‌دهندگان نرم‌افزار اغلب برای دستیابی به نتایج ثابت، دقیق و مقرون‌به‌صرفه با مدل‌های زبانی بزرگ (LLM) دچار چالش هستند که این امر منجر به ایجاد ویژگی‌های غیرقابل اعتماد در هوش مصنوعی و افزایش زمان تکرار و اصلاح می‌شود. در این دوره آموزشی با عنوان «OpenAI: مهندسی پرامپت برای بهبود عملکرد»، شما توانایی طراحی پرامپت‌های ساختاریافته و قابل تست را کسب می‌کنید که در کاربردهای واقعی به‌طور قابل اعتمادی عمل کنند. در ابتدا، نحوه ساخت پرامپت‌های چندبخشی با محدودیت‌های واضح، قالب‌بندی مناسب و مکانیزم‌های امنیتی را بررسی خواهید کرد تا پیروی از دستورالعمل‌ها بهبود یافته و توهمات (Hallucinations) مدل کاهش یابد. سپس، الگوهای پیشرفته پرامپت‌نویسی مانند استدلال زنجیره‌ای (Chain-of-Thought)، مثال‌های Few-shot و قالب‌های پویا را برای مدیریت موارد استفاده پیچیده‌تر کشف خواهید کرد. در نهایت، یاد می‌گیرید که چگونه پرامپت‌هایی برای فراخوانی توابع (Function Calling) طراحی کنید، آن‌ها را از نظر هزینه و تأخیر (Latency) بهینه کنید و استراتژی‌های تست و نظارت را برای محیط‌های عملیاتی پیاده‌سازی نمایید. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در مهندسی پرامپت را برای ساخت اپلیکیشن‌های مقیاس‌پذیر، قابل اعتماد و با کارایی بالا با استفاده از OpenAI API به دست خواهید آورد.

سرفصل ها و درس ها

ساخت پرامپت‌های با کارایی بالا Building high-performance prompts

  • چرا مهندسی پرامپت در محیط عملیاتی شکست می‌خورد (و نحوه رفع آن): بخش اول Why prompt engineering fails in production (and how to fix it): Part 1

  • چرا مهندسی پرامپت در محیط عملیاتی شکست می‌خورد (و نحوه رفع آن): بخش دوم Why prompt engineering fails in production (and how to fix it): Part 2

  • پرامپت‌های سیستمی چندبخشی برای کنترل رفتار مدل Multi-part systems prompts that control behavior

  • ساختاربندی پرامپت‌ها با جداکننده‌ها و امنیت در برابر تزریق دستور Structuring prompts with delimiters and injection safety

  • کاهش توهمات با طراحی محدودیت‌ها و مکانیزم‌های رد درخواست Reducing hallucinations with constraints and refusal design

  • تست تکرارپذیر و اصلاح پرامپت‌ها Iterative prompt testing and refinement

الگوهای پیشرفته پرامپت برای کاربردهای واقعی Advanced prompt patterns for real applications

  • الگوهای استدلالی: زنجیره تفکر در عمل Reasoning patterns: Chain-of-thought in practice

  • پرامپت‌نویسی Few-shot و قالب‌های پویا Few-shot prompting and dynamic templates

  • فراخوانی توابع و طراحی پرامپت ابزارمحور Function calling and tool-oriented prompt design

  • بهینه‌سازی پرامپت‌ها از نظر هزینه، تأخیر و قابلیت اطمینان Optimizing prompts for cost, latency, and reliability

نمایش نظرات

آموزش OpenAI: مهندسی پرامپت برای بهبود عملکرد
جزییات دوره
1h 0m
10
(آخرین آپدیت)
1
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Eduardo Freitas Eduardo Freitas

ادواردو یک علاقه مند به فناوری ، معمار نرم افزار و طرفدار موفقیت مشتری است. او راه حل های دات نت سازمانی را طراحی کرده است که فرآیندهای مهم تجاری مانند راه حل های حساب های قابل پرداخت و Mailroom را برای انواع سازمان ها استخراج ، اعتبارسنجی و خودکار می کند. وی سیستم های تولید را برای نام های جهانی مانند کوکا کولا ، انل ، پیرلی ، فیات-کرایسلر ، زیراکس و بسیاری دیگر طراحی و پشتیبانی کرده است. او یک متخصص شناخته شده در بخش بازار مدیریت محتوای سازمانی است ، به طور خاص در ضبط و استخراج داده ها و اتوماسیون فرآیند اسناد تمرکز دارد. او یک سیستم پردازش فاکتور تأمین کننده برای Agfa طراحی کرد که 50٪ پردازش مستقیم (50٪ فاکتورهای استخراج شده از کاغذ ، تأیید و صادر شده به SAP بدون هیچ گونه اعتبار انسانی) را به دست آورد. او همچنین دوست دارد در مورد فن آوری های پیشرفته بنویسد. او عاشق کمک به موفقیت مشتریان است. در اوقات فراغت او از گذراندن وقت با خانواده و بیرون بودن لذت می برد. او عاشق دویدن و ورزش است.